之前谈到“好的求职作品能展现你‘解决问题，创造价值’的能力与实绩” [1]
，就有乡民提道：“解决问题还好，发现问题才难”。
> 推 nekosgr93: 推 我觉得写作品本身还好 找问题这件事才是最难的
这篇我想谈“好问题”，但与《提问的智慧》 [2] 的“好问题”不同。
《提问的智慧》主张的是“能激发知性智识成长的，就是好问题”，我想谈的是“
有价值、能交换利益的，叫做好问题”，也就是偏向“功利”的考量，去思考如何
做到“价值大于成本”。
# 知识落差的价值：计算思维(computational thinking) [3] [4]
整理自维基百科对“计算思维”的说明：
* Abstraction 抽象化／定义问题
* decomposition 解构问题、降低复杂度
* pattern recognition / data representation 识别问题模式／资料表示方法
* generalization/abstraction 归纳／抽象思考
* algorithms 算法
* Automation 自动化／实作解决方案
* Analyses 分析／执行、改善解决方案
上面提到的３Ａ（抽象化、自动化、分析／执行／改善）可说是码猴特有的三合一
优势；一般人多少也能做到抽象化、分析／执行／改善，但“自动化”有个程式语
言门槛，一般人常卡在这里，它们的方法再好，最后还是要手动去做。
从功利角度来说，你不需要是世界最强码猴，你只需要找到从“自动化”知识落差
套利的机会即可。易言之，可以从生活中工作上各种体验着手，把事情纪录下来，
拆解成小步骤，看看可以怎么用自动化省时省事省麻烦（省成本）、做出来的结果
更一致整齐（增加价值）。
# 计算的成本：莫拉维克悖论(Moravec's paradox) [5] [6]
莫拉维克悖论的大意是：“有些问题很适合用电脑处理，有些很不适合”。进一步
说：“愈是高度抽象思维的问题，就可能愈适合用电脑处理；愈是人体感官、肢体
运动相关的问题，就愈难用电脑处理”。
Moravec 解释这背后的哲理是：“人脑处理感官、肢体运动的能力，是十亿年基因
演化的成果；相较之下，抽象思考只是十万年文化演化的成果”。易言之，两边的
级数差很多，难度不同。
把这个道理应用在“价值与成本”这个题目上，就是要去检视哪些部分是“高度抽
象思维的问题”，哪些部分是“人体感官（情绪、感性）、肢体运动相关的问题”
。与“人体感官、情绪、感性、肢体运动”相关的部分愈多，一般来说，就愈不容
易去利用 *传统* 自动化方法降低成本。（而现今 2019 年的ＡＩ工具门槛还是不
低，对一般码猴来说能套利的空间有限。）
另一个要考量的，就是“计算的限制” [7] ，虽说 RAR 的密码可以找 yo叔 破
，但在计算科学上还是有些目前打不破、难以突破、尚无人能破的科学之壁，有兴
趣可以看 "limits of computation" [7] 的讨论。
# 价值与成本：市场、推销、产品、技术
以下两则漫画讽刺“过分专注于产品、技术”的问题。
* https://xkcd.com/1319/ 上图是理想状况，自动化会省时间；下图是现实情况
，花在开发自动化方案的预算大幅透支。
* https://xkcd.com/1445/ 花在“分析方法Ａ与方法Ｂ哪个好”的时间成本远超
过实作方法Ａ或Ｂ的时间。
这则漫画则是展示“价值与成本”的思维，也就是先思考“市场”的潜在价值，再
想想值得投入多少成本、预算。
* https://xkcd.com/1205/ 以５年来看，自动化要省多少时间才划算？
* 横轴：你手动做这件事的频率，每天 50 次／每天５次／每天１次／每周１次
／每月１次／每年１次
* 纵轴：自动化可省多少时间，１秒／５秒／30秒／１分／５分／30分／１小时
／６小时／１天
例如，如果自动化可以让一件“１周１次”的事省下“１小时”，那么，以５年为
期，就会省下
1 次/周 * 5 年 * 52 周/年 * 1 小时/次 * 1 天/24小时 = 10.8 天
在这个模型下，若花小于 10.8 天去实作这自动化，那就有价值；若花超过 10.8
天去做，那就是亏本。
从“价值杠杆”的角度来看：
市场(market) ＞ 推销(marketing) ＞ 产品(product) ＞ 技术(technology)
从市场去套利，会比从产品、技术着手来得简单；但由技术出身的码猴有时很难突
破这个心障，也就是所谓“当手上只有槌子时，每个问题看起来都像钉子” [8]
。
你不需要去找世界第一大的市场，但你至少要能分辨你手上能处理的问题中，市场
总额 [9] 的相对大小，去判断哪些问题的套利空间大。
## 推销
这个题目很大，我也还不是很懂，还要再多学、多整理我的想法；有兴趣的话可以
看看这些东西：
* value proposition
*
https://lloydmelnick.com/2014/07/23/why-a-new-product-or-game-has-to-be-9x-better/
* https://heathbrothers.com/books/
* 之前贴过的旧文连结，“如何测量及展示你造成的正面影响”
* https://www.facebook.com/30abysses/posts/2853523934672727
* https://www.facebook.com/30abysses/posts/2862654977092956
可以把这门学理想成“如何呼叫人类大脑的 API ，让它做你想要它做的事”，也
就是所谓“说服(persuade)”。
# 价值与成本：工欲善其事，必先利其器
市面上已经有许多 CRUD 框架，已经能应付大部分资讯自动化的问题。在这里我想
提的是比较少人谈论的，解决问题的观念、思维上的工具，例如：
* 限制理论(theory of constraints) [10] [11]
* 系统思考(system thinking) [12] [13] [14]
* 双钻(double diamond) [17]
这类工具可以更细致地解构问题，抓出套利空间，掌握关键价值、成本的瓶颈。
就软件工程方法、思维来说，这里不谈敏捷、ＴＤＤ一类的，但我会建议读一读“
ｒ／Ｋ选择理论” [15] [16] （英文版谈得比较详细），从自然中的例子反思不
同工法在“演化、叠代”（试误、取得意见回馈、修正）上的差异，不同工法的价
值与成本。
# 结语
就码猴来说，怎么样算好问题？可以答“适合以３Ａ优势套利的问题、自动化成本
小于手动成本的问题”。
那么，要如何找到好问题？我会说，放下产品与技术，去接触市场，也就是“愿意
付钱解决它痛点的买家”，看看那痛点是怎么个痛法，例如，费神、麻烦、慢、贵
、危险。再从这篇文提到的各种解析价值与成本的角度，估计套利空间，做出解决
方案，完成交易。
[1]: https://www.ptt.cc/bbs/Soft_Job/M.1574024530.A.45E.html
[2]: https://ryanhanwu.gitbooks.io/how-to-ask-questions-the-smart-way/
[3]: https://zh.wikipedia.org/zh-tw/%E8%AE%A1%E7%AE%97%E6%80%9D%E7%BB%B4
[4]: https://en.wikipedia.org/wiki/Computational_thinking
[5]:
https://zh.wikipedia.org/zh-tw/%E8%8E%AB%E6%8B%89%E7%B6%AD%E5%85%8B%E6%82%96%E8%AB%96
[6]: https://en.wikipedia.org/wiki/Moravec%27s_paradox
[7]: https://en.wikipedia.org/wiki/Limits_of_computation
[8]: https://zh.wikipedia.org/zh-tw/%E5%B7%A5%E5%85%B7%E8%A7%84%E5%BE%8B
[9]: https://en.wikipedia.org/wiki/Total_addressable_market
[10]: https://en.wikipedia.org/wiki/Theory_of_constraints
[11]: https://zh.wikipedia.org/zh-tw/%E9%99%90%E5%88%B6%E7%90%86%E8%AB%96
[12]:
https://thesystemsthinker.com/systems-thinking-what-why-when-where-and-how/
[13]: https://en.wikipedia.org/wiki/Systems_theory
[14]: https://en.wikipedia.org/wiki/System_dynamics
[15]: https://zh.wikipedia.org/zh-tw/R/K%E9%80%89%E6%8B%A9%E7%90%86%E8%AE%BA
[16]: https://en.wikipedia.org/wiki/R/K_selection_theory
[17]: https://en.wikipedia.org/wiki/Double_Diamond_(design_process_model)